Perbandingan kinerja algoritma Support Vector Machine dan K-Nearest Neighbor terhadap analisis sentimen kebijakan new normal

ABSTRACT

Twitter merupakan salah satu situs microblogging populer di kalangan pengguna internet, sehingga banyak masyarakat menggunakan twitter untuk menyampaikan sentimen positif dan negatifnya terhadap kebijakan new normal. Masa pandemi memunculkan banyak sentimen masyarakat terhadap kebijakan adaptasi kebiasaan baru atau new normal. Penelitian ini bertujuan untuk mengklasifikasi twit sentimen ke dalam kelas positif dan negatif.Algoritma klasifikasi yang digunakan adalah kNN dan SVM. Hasil pengujian menunjukan bahwa algoritma k-NN lebih baik dibandingkan SVM dalam menyelesaikan kasus sentimen ini dengan menghasilkan akurasi sebesar 72,96%. Twitter is one of the popular microblogging sites among internet users, so that many people use Twitter to convey their positive and negative sentiments towards the new normal policy. The pandemic period raises much public sentiment towards the policy of adapting to the new normal. This study aims to classify sentiment tweets into positive and negative classes. The classification algorithms used are k-NN and SVM. The test results show that the k-NN algorithm is better than SVM in solving this sentiment case with an accuracy of 72.96%.